技术标签: # 金融工程 投资组合 均值方差模型 模型算法 # 投资科学
建立预期收益率 E ( R p ) − σ p E(R_p)-\sigma_p E(Rp)−σp坐标系,如果投资者选择了所有可能的投资比例,则这些资产组合点将在坐标系上构成一个区域,该区域被称为可行集或可行域.
在理性人假设下,投资者是风险厌恶的,在一定收益下,投资者将选择风险最小的投资组合;子一定风险下,投资者将选择收益最大的资产组合,同时满足这两个条件的资产集合就是有效集或者有效边界,位于有效边界的资产组合就是有效组合.
满足投资者无差异曲线和有效集的切点就是最优组合点.
在一定预期收益率 μ \mu μ下,选择资产组合使其风险最小,即求解如下形式问题
min 1 2 σ p 2 = 1 2 w T V w s . t . { 1 T w = 1 E ( R p ) = w T E ( R ) ≥ μ \min \frac{1}{2}\sigma_p^2=\frac{1}{2}\pmb{w}^T\pmb{V}\pmb{w}\\ s.t. \begin{cases} &\mathbf{1}^T\pmb{w}=1\\ &E(R_p)=\pmb{w}^TE(\mathbf{R})\geq \mu \end{cases} min21σp2=21wwwTVVVwwws.t.{
1Twww=1E(Rp)=wwwTE(R)≥μ
使用Lagrange乘数法求解,构造广义目标函数 L L L
L = 1 2 w T V w + λ 1 ( 1 − w T 1 ) + λ 2 ( μ − w T E ( R ) ) L=\frac{1}{2}\pmb{w}^T\pmb{V}\pmb{w}+\lambda_1(1-\pmb{w}^T\bf{1})+\lambda_2(\mu-\pmb{w}^TE(\mathbf{R})) L=21wwwTVVVwww+λ1(1−wwwT1)+λ2(μ−wwwTE(R))
求出一阶条件为
{ L w = V w − λ 2 E ( R ) − λ 2 1 = 0 L λ 1 = 1 − 1 T w = 0 L λ 2 = μ − E ( R ) T w = μ − E ( R p ) = 0 (1) \left\{ \begin{aligned} &L_w=\pmb{V}\pmb{w}-\lambda_2E(\pmb{R})-\lambda_2\mathbf{1}=0\\ &L_{\lambda_1}=1-\mathbf{1}^T\pmb{w}=0\\ &L_{\lambda_2}=\mu-E(\mathbf{R})^T\pmb{w}=\mu-E(\mathbf{R}_p)=0 \end{aligned} \right.\tag{1} ⎩⎪⎨⎪⎧Lw=VVVwww−λ2E(RRR)−λ21=0Lλ1=1−1Twww=0Lλ2=μ−E(R)Twww=μ−E(Rp)=0(1)
可以解出
w ∗ = V − 1 ( λ 1 1 + λ 2 E ( R ) ) 1 = λ 1 1 T V − 1 1 + λ 2 1 T V − 1 E ( R ) μ = λ 1 E ( R ) T V − 1 1 + λ 2 E ( R ) T V − 1 E ( R ) (2) \begin{aligned} &\pmb{w}^*=\pmb{V}^{-1}(\lambda_1\mathbf{1}+\lambda_2E(\mathbf{R}))\\ &1=\lambda_1\mathbf{1}^T\mathbf{V}^{-1}\mathbf{1}+\lambda_2\mathbf{1}^T\mathbf{V}^{-1}E(\mathbf{R})\\ &\mu=\lambda_1E(\mathbf{R})^T\mathbf{V}^{-1}\mathbf{1}+\lambda_2E(\mathbf{R})^T\mathbf{V}^{-1}E(\mathbf{R}) \end{aligned}\tag{2} www∗=VVV−1(λ11+λ2E(R))1=λ11TV−11+λ21TV−1E(R)μ=λ1E(R)TV−11+λ2E(R)TV−1E(R)(2)
令
a = 1 T V − 1 1 b = 1 T V − 1 E ( R ) c = E ( R ) T V − 1 E ( R ) Δ = a c − b 2 \begin{aligned} &a=\mathbf{1}^T\mathbf{V}^{-1}\mathbf{1}\\ &b=\mathbf{1}^T\mathbf{V}^{-1}E(\mathbf{R})\\ &c=E(\mathbf{R})^T\mathbf{V}^{-1}E(\mathbf{R})\\ &\Delta=ac-b^2 \end{aligned} a=1TV−11b=1TV−1E(R)c=E(R)TV−1E(R)Δ=ac−b2
解出方程组 ( 2 ) (2) (2)为
λ 1 = c − μ b Δ λ 2 = μ a − b Δ \begin{aligned} \lambda_1=\frac{c-\mu b}{\Delta} \\ \lambda_2=\frac{\mu a-b}{\Delta} \end{aligned} λ1=Δc−μbλ2=Δμa−b
将 λ 1 \lambda_1 λ1和 λ 2 \lambda_2 λ2代入方程组 ( 2 ) (2) (2)可以得到最小方差资产组合权重
w ∗ = V − 1 [ ( c − μ b ) 1 Δ + ( μ a − b ) E ( R ) Δ ] = V − 1 ( c 1 − b E ( R ) ) Δ + μ a E ( R ) − b 1 Δ (3) \begin{aligned} \pmb{w}^*&=\pmb{V}^{-1}[\frac{(c-\mu b)\mathbf{1}}{\Delta}+\frac{(\mu a-b)E(\pmb{R})}{\Delta}]\\ &=\frac{\pmb{V}^{-1}(c\mathbf{1}-bE(\mathbf{R}))}{\Delta}+\mu\frac{aE(\mathbf{R})-b\mathbf{1}}{\Delta} \end{aligned}\tag{3} www∗=VVV−1[Δ(c−μb)1+Δ(μa−b)E(RRR)]=ΔVVV−1(c1−bE(R))+μΔaE(R)−b1(3)
将 w ∗ \pmb{w}^* www∗代入目标函数,得到最小组合方差为
σ p 2 = w T V w = w V ( λ 1 V − 1 1 + λ 2 V − 1 E ( R ) ) = λ 1 + μ λ 2 = a μ 2 − 2 μ b + c Δ (4) \begin{aligned} \sigma_p^2&=\pmb{w}^T\pmb{V}\pmb{w}=\pmb{w}\pmb{V}(\lambda_1\pmb{V}^{-1}\mathbf{1}+\lambda_2\mathbf{V}^{-1}E(\mathbf{R})) \\ &=\lambda_1+\mu\lambda_2\\ &=\frac{a\mu^2-2\mu b+c}{\Delta} \end{aligned}\tag{4} σp2=wwwTVVVwww=wwwVVV(λ1VVV−11+λ2V−1E(R))=λ1+μλ2=Δaμ2−2μb+c(4)
注意到在求解过程中需要进行矩阵求逆的计算,时间复杂度为 O ( n 3 ) \mathcal{O}(n^3) O(n3).
一个资产组合,其预期收益率矩阵为 E ( R ) = [ 0.05 , 0.1 ] E(\mathbf{R})=[0.05, 0.1] E(R)=[0.05,0.1],协方差矩阵是 V = [ 1 0 0 1 ] \mathbf{V}=\left[\begin{matrix}1 & 0 \\ 0 & 1\end{matrix}\right] V=[1001],预期收益率为 0.075 0.075 0.075,求最小方差资产组合的权重和方差.
根据公式计算组合参数
{ a = 1 T V 1 = [ 1 , 1 ] [ 1 0 0 1 ] [ 1 1 ] b = 1 T V − 1 E ( R ) = [ 1 , 1 ] [ 1 0 0 1 ] [ 0.05 0.1 ] c = E ( R ) T V E ( R ) = [ 0.05 , 0.1 ] [ 1 0 0 1 ] [ 0.05 0.1 ] Δ = a c − b 2 \left\{ \begin{aligned} &a=\mathbf{1}^T\pmb{V}\mathbf{1}=[1, 1]\left[\begin{matrix}1 & 0\\ 0 & 1\end{matrix}\right]\left[\begin{matrix}1\\ 1\end{matrix}\right] \\ &b=\mathbf{1}^T\pmb{V}^{-1}E(\mathbf{R})=[1, 1]\left[\begin{matrix}1 & 0\\ 0 & 1\end{matrix}\right]\left[\begin{matrix}0.05\\ 0.1\end{matrix}\right] \\ &c=E(\mathbf{R})^T\pmb{V}E(\mathbf{R})=[0.05, 0.1]\left[\begin{matrix}1 & 0\\ 0 & 1\end{matrix}\right]\left[\begin{matrix}0.05\\ 0.1\end{matrix}\right]\\ &\Delta = ac-b^2 \end{aligned} \right. ⎩⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎨⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎧a=1TVVV1=[1,1][1001][11]b=1TVVV−1E(R)=[1,1][1001][0.050.1]c=E(R)TVVVE(R)=[0.05,0.1][1001][0.050.1]Δ=ac−b2
求出最小方差权重 w ∗ \pmb{w}^* www∗的表达式
w ∗ = V − 1 ( c 1 − b E ( R ) ) Δ + μ a E ( R ) − b 1 Δ \pmb{w}^*=\frac{\pmb{V}^{-1}(c\mathbf{1}-bE(\mathbf{R}))}{\Delta}+\mu\frac{aE(\mathbf{R})-b\mathbf{1}}{\Delta} www∗=ΔVVV−1(c1−bE(R))+μΔaE(R)−b1
import numpy as np
from numpy import dot
from numpy.linalg import inv
def portfolio_weight(E, R, V, mu):
V=inv(V)
a=dot(E, dot(V, E))
b=dot(E, dot(V, R))
c=dot(R, dot(V, R))
D=a*c-b**2
return (dot(V, (c*E-b*R)))/D+mu/D*(dot(V, a*R-b*E))
def main():
E=np.ones(2)
R=np.array([0.05, 0.1])
V=np.eye(2)
mu=0.075
w=portfolio_weight(E, R, V, mu)
print('weight of min variance {}'.format(w))
main()
根据方差和期望的公式
σ p 2 = ( a μ 2 − 2 b μ + c ) / Δ \sigma_p^2=(a\mu^2-2b\mu+c)/\Delta σp2=(aμ2−2bμ+c)/Δ
求出极值点
∂ σ p 2 ∂ μ = 2 a μ − 2 b Δ = 0 μ = b a \frac{\partial \sigma_p^2}{\partial \mu}=\frac{2a\mu-2b}{\Delta}=0\\ \mu=\frac{b}{a} ∂μ∂σp2=Δ2aμ−2b=0μ=ab
得到全局最小方差为
σ p 2 = 1 a \sigma_p^2=\frac{1}{a} σp2=a1
分解最小方差权重 w ∗ \pmb{w}^* www∗
w ∗ = V − 1 ( λ 1 1 + λ 2 E ( R ) ) = λ 1 V − 1 1 + λ 2 V − 1 E ( R ) = V − 1 1 a + V − 1 E ( R ) b = V − 1 1 1 T V − 1 1 + V − 1 E ( R ) 1 T V − 1 E ( R ) = ( λ 1 a ) w g + ( λ 2 b ) w d (5) \begin{aligned} \pmb{w}^*&=\pmb{V}^{-1}(\lambda_1\mathbf{1}+\lambda_2E(\mathbf{R}))\\ &=\lambda_1\pmb{V}^{-1}\mathbf{1}+\lambda_2\pmb{V}^{-1}E(\mathbf{R})\\ &=\frac{\pmb{V}^{-1}\mathbf{1}}{a}+\frac{\pmb{V}^{-1}E(\mathbf{R})}{b} \\ &=\frac{\pmb{V}^{-1}\mathbf{1}}{\mathbf{1}^T\pmb{V}^{-1}\mathbf{1}}+\frac{\pmb{V}^{-1}E(\mathbf{R})}{\mathbf{1}^T\pmb{V}^{-1}E(\mathbf{R})}\\ &=(\lambda_1a)\pmb{w}_g+(\lambda_2 b)\pmb{w}_d \end{aligned}\tag{5} www∗=VVV−1(λ11+λ2E(R))=λ1VVV−11+λ2VVV−1E(R)=aVVV−11+bVVV−1E(R)=1TVVV−11VVV−11+1TVVV−1E(R)VVV−1E(R)=(λ1a)wwwg+(λ2b)wwwd(5)
其中 w d \pmb{w}_d wwwd为可分散的资产组合权重.
一个资产组合,其预期收益率矩阵为 E ( R ) = [ 0.2 , 0.5 ] T E(\mathbf{R})=[0.2, 0.5]^T E(R)=[0.2,0.5]T,协方差矩阵为 V = [ 1 0 0 1 ] \pmb{V}=\left[\begin{matrix}1 & 0 \\ 0 & 1\end{matrix}\right] VVV=[1001]求全局最小方差组合和可分散资产组合权重.
根据公式 ( 5 ) (5) (5)可以计算出
w g = V − 1 1 1 T V − 1 1 w d = V − 1 E ( R ) 1 T V − 1 E ( R ) \begin{aligned} &\pmb{w}_g=\frac{\pmb{V}^{-1}\mathbf{1}}{\mathbf{1}^T\mathbf{V}^{-1}\mathbf{1}}\\ &\pmb{w}_d=\frac{\pmb{V}^{-1}E(\mathbf{R})}{\mathbf{1}^T\pmb{V}^{-1}E(\mathbf{R})} \end{aligned} wwwg=1TV−11VVV−11wwwd=1TVVV−1E(R)VVV−1E(R)
全局最小方差时 w ∗ = w g \pmb{w}^*=\pmb{w}_g www∗=wwwg
import numpy as np
from numpy import dot
from numpy.linalg import inv
def portfolio_global_weight(E, R, V):
V=inv(V)
wg=dot(V, E)/dot(dot(E, V), E)
wd=dot(V, R)/dot(dot(E, V), R)
return (wg, wd)
def main():
E=np.ones(2)
R=np.array([0.2, 0.5])
V=np.eye(2)
w=portfolio_global_weight(E, R, V)
print('weight of global min variance {}'.format(w[0]))
print('dispersible assert weight is {}'.format(w[1]))
main()
文章浏览阅读3.8k次,点赞9次,收藏28次。直接上一个工作中碰到的问题,另外一个系统开启多线程调用我这边的接口,然后我这边会开启多线程批量查询第三方接口并且返回给调用方。使用的是两三年前别人遗留下来的方法,放到线上后发现确实是可以正常取到结果,但是一旦调用,CPU占用就直接100%(部署环境是win server服务器)。因此查看了下相关的老代码并使用JProfiler查看发现是在某个while循环的时候有问题。具体项目代码就不贴了,类似于下面这段代码。while(flag) {//your code;}这里的flag._main函数使用while(1)循环cpu占用99
文章浏览阅读347次。idea shift f6 快捷键无效_idea shift +f6快捷键不生效
文章浏览阅读135次。Ecmacript 中没有DOM 和 BOM核心模块Node为JavaScript提供了很多服务器级别,这些API绝大多数都被包装到了一个具名和核心模块中了,例如文件操作的 fs 核心模块 ,http服务构建的http 模块 path 路径操作模块 os 操作系统信息模块// 用来获取机器信息的var os = require('os')// 用来操作路径的var path = require('path')// 获取当前机器的 CPU 信息console.log(os.cpus._node模块中有很多核心模块,以下不属于核心模块,使用时需下载的是
文章浏览阅读10w+次,点赞435次,收藏3.4k次。SPSS 22 下载安装过程7.6 方差分析与回归分析的SPSS实现7.6.1 SPSS软件概述1 SPSS版本与安装2 SPSS界面3 SPSS特点4 SPSS数据7.6.2 SPSS与方差分析1 单因素方差分析2 双因素方差分析7.6.3 SPSS与回归分析SPSS回归分析过程牙膏价格问题的回归分析_化工数学模型数据回归软件
文章浏览阅读7.5k次。如何利用hutool工具包实现邮件发送功能呢?1、首先引入hutool依赖<dependency> <groupId>cn.hutool</groupId> <artifactId>hutool-all</artifactId> <version>5.7.19</version></dependency>2、编写邮件发送工具类package com.pc.c..._hutool发送邮件
文章浏览阅读867次,点赞2次,收藏2次。docker安装elasticsearch,elasticsearch-head,kibana,ik分词器安装方式基本有两种,一种是pull的方式,一种是Dockerfile的方式,由于pull的方式pull下来后还需配置许多东西且不便于复用,个人比较喜欢使用Dockerfile的方式所有docker支持的镜像基本都在https://hub.docker.com/docker的官网上能找到合..._docker安装kibana连接elasticsearch并且elasticsearch有密码
文章浏览阅读1.3w次,点赞57次,收藏92次。整理 | 郑丽媛出品 | CSDN(ID:CSDNnews)近年来,随着机器学习的兴起,有一门编程语言逐渐变得火热——Python。得益于其针对机器学习提供了大量开源框架和第三方模块,内置..._beeware
文章浏览阅读7.9k次。//// ViewController.swift// Day_10_Timer//// Created by dongqiangfei on 2018/10/15.// Copyright 2018年 飞飞. All rights reserved.//import UIKitclass ViewController: UIViewController { ..._swift timer 暂停
文章浏览阅读986次,点赞2次,收藏2次。1.硬性等待让当前线程暂停执行,应用场景:代码执行速度太快了,但是UI元素没有立马加载出来,造成两者不同步,这时候就可以让代码等待一下,再去执行找元素的动作线程休眠,强制等待 Thread.sleep(long mills)package com.example.demo;import org.junit.jupiter.api.Test;import org.openqa.selenium.By;import org.openqa.selenium.firefox.Firefox.._元素三大等待
文章浏览阅读3k次,点赞4次,收藏14次。Java软件工程师职位分析_java岗位分析
文章浏览阅读2k次。Java:Unreachable code的解决方法_java unreachable code
文章浏览阅读1w次。1、html中设置标签data-*的值 标题 11111 222222、点击获取当前标签的data-url的值$('dd').on('click', function() { var urlVal = $(this).data('ur_如何根据data-*属性获取对应的标签对象